吴 大 伟

(东北林业大学交通学院，黑龙江 哈尔滨 150040)

目标跟踪是利用最优化算法分析目标位置等信息的一种关键技术，已被广泛应用于智能交通监控和公安刑侦等领域。目标跟踪领域存在着目标形变、遮挡和光照等挑战性难点，因此鲁棒的目标跟踪算法研究具有非常重要的意义。当前，目标跟踪算法可分为生成式模型和判别式模型，生成式模型主要利用目标的联合分布进行建模，常见有粒子滤波[1]和卡尔曼滤波等[2]跟踪算法。判别式模型是通过训练分类器来识别被跟踪目标，常见有相关滤波器[3-7]和深度学习算法[8-10]。当前，判别式模型已成为跟踪领域的主流研究方向。Zhang在相关滤波器跟踪算法的基础上提出了基于贝叶斯框架的时空上下文跟踪算法，有效利用了上下文信息提高分类器的判别性能[5]。Martin等[11]提出了ECO(Efficient Convolution Operators)跟踪算法，融合了深度特征和相关滤波器进行跟踪，具有较高的跟踪性能。Pan等[12]提出了融合相关滤波器和Siamese网络的实时跟踪框架，建立了一个在线模板库，克服了因遮挡导致跟踪器被污染的问题。

尽管相关滤波器跟踪算法具有较强的跟踪性能，然而滤波器模板极易受到目标形变等干扰，导致模板不准确性。本文提出一种基于形变—自适应的模板更新策略，根据目标的形变程度自适应调整滤波器模板，从而提升跟踪性能。

1 形变—自适应的目标跟踪算法

1.1 跟踪滤波器

近年来Martin等[11]提出了ECO跟踪算法，克服了模型漂移问题。本文将采用ECO-HC算法作为基准跟踪滤波器，利用颜色和HOG特征描述表征被跟踪目标。设x为被跟踪目标特征，d个特征通道，J{x}为映射到空间连续域的特征卷积，P=(pd,c)(c

(1)

然而ECO-HC算法每隔N帧更新一次模型，训练样本的多样性导致滤波器模板往往更新不及时，甚至很容易受到目标形变等干扰，基于此本文研究了目标形变的特点，提出了一种有效的更新策略来改善滤波器模板的准确性，从而提高目标跟踪精度。

1.2 基于上下文信息的形变—自适应更新策略

(2)

CPSRt=St+St/St-1

(3)

式(3)中的第二项St/St-1为校正项，其物理意义表征前后帧的形变程度；若当前帧的St>St-1，则表示形变程度减小，应该增加当前帧的置信水平；相反，应该降低当前帧的置信水平，而St/St-1准确地表征了这种变化。

传统的学习率是固定的，但当目标变形时，应该自适应地调整滤波器模板。若形变严重，则应降低学习率；如果变形不严重，则增加学习率，从而提高模型与模板之间的匹配度。算法将保留历史所有CPSRt，形成一个集合CP={CPSR1，CPSR2，…,CPSRt}，学习率可设置为:

(4)

式(4)是预先设置的阈值。当CPSRt/m大于某一阈值时，表明当前滤波器具有较高的置信度和较小的目标变形,应及时将当前滤波器更新到模板中，因此可设置一个较大的学习率α；相反，应该设置一个较小的学习率β。本文阈值设置为0.9，α=0.015，β=0.009；相反，应该将学习率设置为较小的值。因此，相关滤波器模板的更新方式为:

(5)

2 实验结果与分析

本文算法命名为DA-ECO(Deformation-Adaptive ECO Tracking，形变—自适应跟踪算法)，将DA-ECO算法与其他6个顶级前沿算法进行比较，包括ECO-HC[11]，fDSST[4]，CSR-DCF[6]，KCF[7]，Struck[13]，MEEM[14]。算法选取了10个标注“Deformation”的形变视频作为形变数据库(来源网站http://cvlab.hanyang.ac.kr/tracker benchmark/)。利用成功率(Success Rate)作为评价标准，成功率是指跟踪目标的边框区域与人工标定的准确值的重叠率大于某个阈值(一般阈值设为0.5)的帧数占全部帧数的比值。

表1为不同算法在形变数据集上的平均成功率，标有*是最佳结果，标有**次之，标有***是第三好的结果，本文DA-ECO算法为81.2%，明显高于ECO-HC和CSR-DCF等算法。由于本文算法能够根据目标形变自适应调整被跟踪模板，有效抑制形变导致模板的不准性，具有形变的鲁棒性。图1为针对Couple,Skating1和Skating2-1共3个具有明显形变的目标跟踪结果，将本文与其他4个前沿性算法比较，包括ECO-HC，fDSST，KCF及Struck，能够准确跟踪目标的矩形框为DA-ECO算法结果，可见DA-ECO算法可以有效跟踪目标，没有出现漂移等现象。

表1 不同算法在形变数据集上的平均成功率 %

3 结语

本文提出了一种形变—自适应更新策略，构造了上下文峰值旁瓣比CPSR特征，该特征可有效描述被跟踪目标相对于跟踪模板的形变程度，根据CPSR特征调整模板的学习率，从而保证跟踪模板的准确性和鲁棒性。实验结果表明，在形变数据库上，本文DA-ECO算法均优于ECO-HC，CSR-DCF和fDSST等算法，具有更高的成功率。然而，本文算法仅利用了颜色和HOG特征表征被跟踪目标，下一步将研究和设计基于深度特征模板的自适应更新策略，并集成到目标跟踪算法中。